优化SAM的提示策略:在各种医学成像模式中推进病变细分
Yuli Wang1, Victoria Shi2, Wen-Chi Hsu2,3
1Department of Biomedical Engineering, Johns Hopkins University, Baltimore, MD, United States of America.
Physics in medicine and biology
|August 15, 2025
概括
通过强化学习 (RL) 优化细分任何模型 (SAM),可显著提高医疗图像细分的准确性和速度. 由RL指导的快速放置可以提高各种瘤类型的病变识别.
科学领域:
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 准确的医学图像细分对于诊断和治疗规划至关重要.
- 细分任何模型 (SAM) 对自动细分有希望,但需要有效的提示策略.
- 优化快速放置是最大限度地提高SAM在临床环境中的性能的关键.
研究的目的:
- 为了在各种病变数据集中评估分段任何模型 (SAM) 的不同提示策略.
- 开发一种强化学习 (RL) 代理来优化SAM即时配置.
- 使用人工智能提高医疗图像细分的准确性和效率.
主要方法:
- 对卵巢,肺,脏和乳腺瘤数据集的回顾性分析.
- 手动细分与SAM辅助细分的比较,使用各种提示技术.
- 开发一种强化学习 (RL) 模型,以预测最佳的SAM提示点.
- 使用对式t测试来评估细分性能 (迪斯系数) 的统计分析.
主要成果:
- 增加提示点提高了细分精度,卵巢瘤的子系数从0.272 (1点) 增加到0.806 (≥5点).
- 基于表面和联盟的提示优于基于中心的提示 (平均子:0.604-0.724).
- 该RL代理实现了0.595的峰值子系数,超过随机和替代RL策略,并将细分时间减少了近十倍.
结论:
- 虽然更多的战略性地放置的SAM提示增强了细分,但最佳策略因病理和成像方式而异.
- 开发的RL剂在准确性和效率方面表现出比其他方法更好的性能.
- 这种人工智能驱动的方法显著减少了细分时间,比手工方法有了显著的改进.
